多因子合成选股策略：从因子打分到组合构建

由bqi2tg8b创建，最终由bqi2tg8b更新于2026-07-16 03:05 被浏览 8 用户

一、策略简介

单个因子通常只能反映股票的某一类特征。

例如，动量因子主要观察价格趋势，估值因子关注股票是否便宜，质量因子关注公司的盈利能力。不同因子在不同市场环境下的表现可能存在较大差异，因此，仅依赖单一因子容易受到市场风格切换的影响。

多因子策略的基本思路是：

将多个选股因子统一处理后合成为一个综合得分，再根据综合得分对股票排序并构建投资组合。

本策略使用多个因子，根据因子近期的 ICIR 表现动态调整权重，选择综合得分最高的 200 只股票，每 5 个交易日调仓一次。

https://bigquant.com/codesharev3/9d40692f-f079-4382-883e-4e40950d524e

整体流程如下：

选择候选因子
    ↓
因子去极值与标准化
    ↓
计算因子合成权重
    ↓
生成综合因子
    ↓
行业、市值中性化
    ↓
股票池过滤
    ↓
排序选股与定期调仓

二、策略参数

• 候选因子数量：4 个
• ICIR 计算窗口：120 个交易日
• 最少有效观测：60 个交易日
• 持仓股票数量：200 只
• 调仓周期：5 个交易日
• 股票权重：等权
• 初始资金：2000 万元
• 业绩基准：中证 1000 指数

三、选择候选因子

策略首先从因子库中选择多个候选因子。

候选因子可以来自：

• Alpha101 因子
• Alpha191 因子
• 技术指标因子
• 基本面因子
• 量价因子

不同因子反映的信息可能不同。例如：

• 动量因子反映价格趋势；
• 估值因子反映股票是否相对便宜；
• 质量因子反映企业盈利和财务状况；
• 量价因子反映价格与成交量之间的关系。

使用多个因子的目的，是从不同角度对股票进行评价，降低策略对单一信号的依赖。

但因子数量并不是越多越好。如果多个因子高度相关，它们可能只是在重复表达同一种信息。因此，构建因子池时还需要关注因子之间的相关性和信息互补性。

四、因子预处理

不同因子的数值范围通常差异很大。

例如，一个因子的取值可能在 -2 到 2 之间，另一个因子的取值可能达到几百。如果直接将它们相加，数值较大的因子会自然占据主导地位。

因此，在合成因子之前，需要先进行去极值和标准化。

4.1 去极值

金融数据中经常存在极端值，例如：

• 股票停牌或复牌；
• 成交价格异常；
• 财务数据异常；
• 因子公式分母过小；
• 个股出现极端行情。

这些异常值可能明显影响因子的平均值和标准差。

本策略采用三倍标准差方法进行去极值。

普通文本公式：

因子合理区间 = 当日因子均值 ± 3 × 当日因子标准差

超过上限的因子值会被调整为上限，低于下限的因子值会被调整为下限。

去极值不会删除股票，只是减少极端数据对因子结果的影响。

4.2 标准化

去极值后，对每个交易日的股票因子进行截面标准化。

普通文本公式：

标准化因子值 =（原始因子值 - 当日因子均值）÷ 当日因子标准差

标准化后的因子值可以这样理解：

• 大于 0：高于当天市场平均水平；
• 小于 0：低于当天市场平均水平；
• 绝对值越大：偏离市场平均水平越明显。

经过标准化后，不同因子被转换到相近的尺度，可以进行后续合成。

五、计算因子权重

多个因子完成标准化后，还需要确定每个因子在综合得分中的权重。

最简单的方法是等权，即每个因子使用相同权重。但等权方法默认所有因子在任何时期都具有相同的预测能力。

本策略根据因子近期的 ICIR 表现动态调整权重。

5.1 什么是 IC

IC 是信息系数，用于衡量因子值与未来股票收益之间的相关程度。

简单理解：

• IC 为正：因子值较高的股票，未来收益整体上也较高；
• IC 为负：因子方向可能与未来收益相反；
• IC 接近 0：因子的选股区分能力较弱。

5.2 什么是 ICIR

ICIR 用于衡量因子表现的稳定性。

普通文本公式：

ICIR = 一段时间内 IC 的平均值 ÷ IC 的标准差

一个因子的平均 IC 较高，并且 IC 波动较小，通常会得到较高的 ICIR。

本策略使用过去 120 个交易日的 IC 计算滚动 ICIR，并要求窗口内至少存在 60 个有效观测。

5.3 权重计算

因子的合成权重与其 ICIR 大小有关。

普通文本公式：

因子权重 = 该因子的 ICIR ÷ 所有因子 ICIR 绝对值之和

ICIR 较高的因子获得较高权重。

如果某个因子的 ICIR 为负，则对应权重也可能为负，相当于反向使用该因子。

为了避免使用未来信息，实际合成时使用滞后的 ICIR 权重，而不是直接使用当日尚未完全获得的数据。

六、合成综合因子

完成因子标准化和权重计算后，将多个因子加权合成为一个综合得分。

综合因子计算方式：

F(i,t) = w₁(t) × z₁(i,t) + w₂(t) × z₂(i,t) + … + wₖ(t) × zₖ(i,t)

其中：

• F(i,t)：股票 i 在日期 t 的综合因子得分；
• wₖ(t)：第 k 个因子在日期 t 的动态权重；
• zₖ(i,t)：股票 i 在日期 t 的第 k 个标准化因子值。

简单来说，综合因子就是将每个标准化因子乘以对应权重，再把所有结果相加。

例如，某只股票有三个标准化因子值：

• 因子 1：1.2
• 因子 2：0.5
• 因子 3：-0.4

对应的因子权重分别为：

• 因子 1 权重：0.5
• 因子 2 权重：0.3
• 因子 3 权重：-0.2

则该股票的综合得分为：

综合得分 = 0.5 × 1.2 + 0.3 × 0.5 - 0.2 × (-0.4) = 0.83

对股票池中的所有股票计算综合得分后，按照得分从高到低排序。综合得分越高，表示该股票在多个因子的共同评价下越具有相对优势。

七、综合因子再次处理

多个因子合成后，综合得分仍可能存在极端值或不同日期尺度不一致的问题。

因此，策略会继续进行三步处理：

1. 使用 0.1% 和 99.9% 分位数进行缩尾；
2. 对综合因子再次进行截面标准化；
3. 对综合因子进行行业和市值中性化。

第一轮标准化处理的是各个原始因子，第二轮标准化处理的是合成后的综合因子，两者的处理对象不同。

八、行业和市值中性化

如果综合得分较高的股票大部分来自某个行业，或者主要是小市值股票，那么策略收益可能主要来自行业行情或小盘风格，而不完全来自综合因子本身。

因此，本策略对综合因子进行行业和市值中性化。

基本思路是：

使用综合因子对行业变量和股票市值进行回归，再使用无法被行业和市值解释的剩余部分作为最终选股得分。

普通文本表达：

综合因子 = 行业影响 + 市值影响 + 个股剩余信息

策略最终使用“个股剩余信息”进行股票排序。

这样可以减少组合对单一行业和市值风格的集中暴露。

需要注意，中性化只能减少指定变量的线性影响，并不表示组合完全不存在市场风险、波动率风险或流动性风险。

九、股票池过滤

在正式选股前，策略会对股票池进行过滤。

主要过滤条件包括：

• 剔除 ST 股票；
• 剔除上市不足 365 天的股票；
• 剔除价格低于 1.2 元的股票；
• 剔除北交所股票；
• 剔除以 688 开头的科创板股票。

股票池过滤的主要目的，是减少异常股票、交易限制和不同市场制度对策略结果的影响，提高回测结果的可交易性。

十、排序选股

完成因子合成、中性化和股票池过滤后，每只股票都会得到一个最终得分。

策略按照最终得分从高到低进行排序，并选择排名最高的 200 只股票。

普通文本表达：

目标股票池 = 最终综合得分排名前 200 的股票

综合得分越高，表示该股票在多个因子的共同评价下越具有相对优势。

十一、组合权重

入选的 200 只股票采用等权配置。

普通文本公式：

单只股票目标权重 = 1 ÷ 200 = 0.5%

如果初始资金为 2000 万元，那么每只股票的初始目标资金约为：

2000 万元 ÷ 200 = 10 万元

需要区分两类不同的权重：

• 因子权重：决定多个因子如何合成为综合因子；
• 股票权重：决定入选股票如何分配投资资金。

因此，这套策略可以概括为：

因子层采用滚动 ICIR 动态加权，股票层采用前 200 名等权配置。

十二、定期调仓

策略每 5 个交易日重新计算一次股票排名，并根据最新排名调整持仓。

调仓时：

• 新进入前 200 名的股票被买入；
• 退出前 200 名的股票被卖出；
• 继续持有的股票重新调整到目标等权比例。

5 日调仓是在信号更新速度和交易成本之间进行折中。

调仓过于频繁，会增加换手率、手续费和冲击成本；调仓周期过长，又可能导致因子信号已经发生变化。

十三、交易成本

策略回测中考虑了以下交易费用：

• 买入成本：0.03%
• 卖出成本：0.08%
• 单笔最低费用：5 元
• 买卖价格：开盘价

交易成本是评价策略可执行性的重要因素。

普通文本公式：

策略净收益 = 策略毛收益 - 交易成本

如果策略换手率较高，即使不考虑成本时表现较好，扣除手续费、印花税、买卖价差和冲击成本后，实际收益也可能明显下降。

十四、回测结果

完成因子预处理、动态加权、综合因子构建和股票组合配置后，使用 BigTrader 对策略进行历史回测 请为我完成结尾部分的内容

本次回测的主要指标如下：

从收益曲线来看，策略在回测区间内取得了较明显的正收益，累计表现高于同期基准。策略净值虽然在部分阶段出现回撤，但长期趋势整体向上。

年化收益率为 23.47%，夏普比率为 0.89，说明策略获得较高收益的同时，也承担了较为明显的净值波动。信息比率为 1.36，表明策略在本次回测中取得了一定的相对基准超额表现。

策略胜率为 61.83%，但盈亏比为 0.99。简单来说，盈利交易出现得更加频繁，但单次平均盈利与单次平均亏损接近。因此，策略收益更多来自较高的获胜频率，而不是依靠少数几次大幅盈利。

最大回撤为 35.44%，说明即使长期累计收益较高，持有过程中仍可能经历较大的阶段性损失。评价策略时，不能只看最终收益，还需要同时考虑波动率、最大回撤和收益稳定性。

十五、如何理解本次结果

需要强调的是，本次回测的主要目的不是寻找历史收益率最高的因子组合，而是展示一套完整的多因子合成流程。

本次示例重点说明了以下几个问题：

15.1 多个因子可以被统一为一个选股指标

不同因子的计算逻辑和数值范围可能完全不同。

通过去极值、标准化和动态加权，可以将多个原始因子转换为统一的综合得分，并据此对股票进行排序。

15.2 因子权重可以随时间动态变化

本策略没有始终对所有因子使用固定权重，而是根据近期 ICIR 表现动态调整各因子的影响程度。

近期表现相对稳定的因子获得更高权重，表现减弱的因子权重则相应下降。

15.3 因子信号需要经过组合构建才能形成策略

因子得分本身并不是最终收益。

还需要经过：

• 股票池过滤；
• 行业和市值中性化；
• 股票排序；
• 持仓数量设定；
• 股票权重分配；
• 调仓周期设置；
• 交易成本扣除。

只有完成这些步骤，因子信号才真正转化为可回测的投资组合。

15.4 高收益不代表策略没有风险

本次策略的收益表现较好，但最大回撤仍超过 30%。

这说明即使一个因子组合在长期回测中获得正收益，投资者仍可能在某些阶段经历较大的净值下跌。

因此，评价量化策略不能只看累计收益，还需要同时观察：

• 年化收益率；
• 收益波动率；
• 夏普比率；
• 最大回撤；
• 信息比率；
• 不同年份的收益稳定性。

十六、本次回测的局限

虽然本次结果较好，但不能据此直接判断该因子组合未来一定有效。

16.1 候选因子并未经过系统筛选

本次示例使用的是指定的多个因子，主要目的是演示合成流程，并未从全部因子库中寻找最优组合。

因此，回测结果既不能代表该权重方法的上限，也不能说明当前因子一定是最优选择。

16.2 历史表现不代表未来收益

因子的有效性可能随市场环境变化。

某个因子在过去表现较好，未来也可能因为市场风格切换、交易拥挤或投资者行为变化而失效。

16.3 ICIR 动态加权并非唯一方案

除了滚动 ICIR 加权，还可以使用：

• 因子等权；
• IC 均值加权；
• 正 ICIR 截断加权；
• 因子排名加权；
• 波动率调整权重；
• 机器学习模型加权。

不同的合成方法可能产生不同的收益和风险特征。

16.4 回测交易成本仍可能低于实际成本

回测中已经考虑手续费和最低交易费用，但真实交易还可能受到以下因素影响：

• 买卖价差；
• 市场冲击成本；
• 开盘价格滑点；
• 涨跌停无法成交；
• 个股流动性不足；
• 大资金成交容量限制。

因此，实盘表现通常不会与历史回测完全一致。

十七、后续研究方向

在理解完整的多因子合成流程后，可以继续从以下方向进行优化。

17.1 优化候选因子池

在因子合成前，对单个因子进行检验，例如：

• IC 均值；
• ICIR；
• 分组收益；
• 多空收益；
• 年度稳定性；
• 因子相关性。

剔除长期无效或与其他因子高度重复的因子。

17.2 比较不同合成方法

可以将滚动 ICIR 加权与等权方法进行对比，观察动态权重是否真正改善了综合因子的表现。

17.3 调整组合参数

可以进一步测试：

• 持有前 50、100 或 200 只股票；
• 每 5 日、10 日或 20 日调仓；
• 按综合得分加权；
• 按波动率倒数加权；
• 设置行业权重上限；
• 设置单只股票权重上限。

17.4 增加样本外检验

更严谨的研究应将历史数据划分为训练区间、验证区间和测试区间。

因子筛选和参数调整在训练集与验证集完成，测试集只用于评价最终策略的样本外表现。

\